Personnaliser les préférences

Nous utilisons des cookies pour vous aider à naviguer efficacement et à exécuter certaines fonctions. Vous trouverez ci-dessous des informations détaillées sur tous les cookies sous chaque catégorie de consentement.

Les cookies classés comme « Nécessaires » sont stockés sur votre navigateur car ils sont essentiels pour activer les fonctionnalités de base du site.... 

Toujours actif

Necessary cookies are required to enable the basic features of this site, such as providing secure log-in or adjusting your consent preferences. These cookies do not store any personally identifiable data.

Aucun cookie à afficher.

Functional cookies help perform certain functionalities like sharing the content of the website on social media platforms, collecting feedback, and other third-party features.

Aucun cookie à afficher.

Analytical cookies are used to understand how visitors interact with the website. These cookies help provide information on metrics such as the number of visitors, bounce rate, traffic source, etc.

Aucun cookie à afficher.

Performance cookies are used to understand and analyze the key performance indexes of the website which helps in delivering a better user experience for the visitors.

Aucun cookie à afficher.

Advertisement cookies are used to provide visitors with customized advertisements based on the pages you visited previously and to analyze the effectiveness of the ad campaigns.

Aucun cookie à afficher.

Quel est le taux d’erreur par famille ?



Dans un test d’hypothèse , il existe toujours un taux d’erreur de type I qui nous indique la probabilité de rejeter une hypothèse nulle qui est réellement vraie. En d’autres termes, c’est la probabilité d’obtenir un « faux positif », c’est-à-dire lorsque l’on prétend qu’il y a un effet statistiquement significatif, alors qu’en réalité il n’y en a pas.

Lorsque nous effectuons un test d’hypothèse, le taux d’erreur de type I est égal au niveau de signification (α), qui est généralement choisi comme étant 0,01, 0,05 ou 0,10. Cependant, lorsque nous effectuons plusieurs tests d’hypothèses à la fois, la probabilité d’obtenir un faux positif augmente.

Par exemple, imaginez que nous lançons un dé à 20 faces. La probabilité que le dé tombe sur un « 1 » n’est que de 5 %. Mais si l’on lance deux de ces dés à la fois, la probabilité que l’un des dés tombe sur un « 1 » augmente à 9,75 %. Si nous lançons cinq dés à la fois, la probabilité augmente à 22,6 %.

Plus nous lançons de dés, plus la probabilité que l’un des dés tombe sur un 1 est élevée. De même, si nous effectuons plusieurs tests d’hypothèses à la fois en utilisant un niveau de signification de 0,05, la probabilité que nous obtenions un faux positif augmente au-delà de 0,05. 0,05.

Comment estimer le taux d’erreur par famille

La formule pour estimer le taux d’erreur par famille est la suivante :

Taux d’erreur par famille = 1 – (1-α) n

où:

  • α : le niveau de signification pour un test d’hypothèse unique
  • n : Le nombre total de tests

Par exemple, supposons que nous effectuions 5 comparaisons différentes en utilisant un niveau alpha de α = 0,05. Le taux d’erreur par famille serait calculé comme suit :

Taux d’erreur par famille = 1 – (1-α) c = 1 – (1-.05) 5 = 0,2262 .

En d’autres termes, la probabilité d’obtenir une erreur de type I sur au moins un des tests d’hypothèse est supérieure à 22 % !

Comment contrôler le taux d’erreur par famille

Il existe plusieurs méthodes qui peuvent être utilisées pour contrôler le taux d’erreur par famille, notamment :

1. La correction Bonferroni.

Ajustez la valeur α utilisée pour évaluer la signification de telle sorte que :

α nouveau = α ancien / n

Par exemple, si nous effectuons 5 comparaisons différentes en utilisant un niveau alpha de α = 0,05, alors en utilisant la correction de Bonferroni, notre nouveau niveau alpha serait :

α nouveau = α ancien / n = 0,05 / 5 = 0,01 .

2. La correction Sidak.

Ajustez la valeur α utilisée pour évaluer la signification de telle sorte que :

α nouveau = 1 – (1-α ancien ) 1/n

Par exemple, si nous effectuons 5 comparaisons différentes en utilisant un niveau alpha de α = 0,05, alors en utilisant la correction Sidak, notre nouveau niveau alpha serait :

α nouveau = 1 – (1-α ancien ) 1/n = 1 – (1-.05) 1/5 = .010206 .

3. La correction Bonferroni-Holm.

Cette procédure fonctionne comme suit :

  1. Utilisez la correction de Bonferroni pour calculer α nouveau = α ancien / n.
  2. Effectuez chaque test d’hypothèse et classez les valeurs p de tous les tests de la plus petite à la plus grande.
  3. Si la première valeur p est supérieure ou égale à α new , arrêtez la procédure. Aucune valeur p n’est significative.
  4. Si la première valeur p est inférieure à α new , alors elle est significative. Comparez maintenant la deuxième valeur p à α new . S’il est supérieur ou égal à α new , arrêtez la procédure. Aucune autre valeur p n’est significative.

En utilisant l’une de ces corrections du niveau de signification, nous pouvons réduire considérablement la probabilité de commettre une erreur de type I parmi une famille de tests d’hypothèse.

Ajouter un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *